本技术涉及一种基于风格转换的跨场景高光谱图像分割方法。本发明包括以下步骤；构建跨场景高光谱图像分割数据集；构建多视角信息融合分割网络；构建基于风格转换的跨场景高光谱图像分割网络；训练并测试基于风格转换的跨场景高光谱图像分割网络。与现有技术相比，本发明通过跨场景高光谱图像分割网络，解决了现有高光谱分类任务中，由于不同卫星高光谱图像之间存在风格差异，导致难以将源域训练模型迁移至目标域数据集的问题。此外，本发明采用多视角信息融合分割网络以聚合高光谱图像的空谱信息，从而实现了将源域卫星数据上训练的模型有效迁移至目标域卫星数据的创新方法。

 本技术的一种基于贝叶斯条件扩散模型的可信表面缺陷检测方法及设备，包括构建训练数据集和测试数据集；构建基于条件扩散模型的不确定性感知的工业产品表面缺陷检测模型并训练，将测试图片输入到上述模型中进行检测，分别得到输入结果的缺陷预测图像、不确定性预测图像；将原始输入图像，缺陷预测结果与不确定性预测结果进行整理，得到第二次迭代时的条件引导图像；将得到的条件引导图像、待检测图像输入到条件扩散模型中，得到最终的缺陷预测图像以及不确定性度量。本发明基于拉普拉斯近似，对模型生成的结果进行不确定性度量，并利用输出结果的不确定性优化检测结果，紧接着进行迭代提高最终检测结果的可信度。

 本技术公开了基于时谱域融合与时序自注意力增强的遥感云层修复方法，涉及遥感云层图像处理技术领域。本发明包括:接收遥感缺失图像作为源图像；构建生成器，将遥感缺失图像输入生成器进行初步处理，其中生成器包括特征提取器、ConformerPlus模块和云检测模块，且ConformerPlus模块中嵌入有新多头自注意力机制。本发明能够对数据进行时频谱域信息的提取与融合，从而增强特征的表达能力，并且提升模型对边缘信息的捕捉能力，进而引导模型实现从外向内的递进式云层去除，同时还能改善细节表现并抑制噪声干扰，有效提升了图像的细节清晰度和纹理保真度。

 本技术涉及文物保存环境监测技术领域，具体涉及一种文物智能环境实时监测方法和系统。本方法包括以下步骤:通过红外监测设备，获取文物环境实时监测红外图像；基于所述文物环境实时监测红外图像进行图像增强处理，获得文物环境监测第一优化图像；对所述文物环境监测第一优化图像进行图像重构，获得文物环境监测重构图像；构建环境监测模型，结合所述环境监测模型和所述文物环境监测重构图像，完成文物环境智能实时监测。本发明通过对红外图像进行增强后再重构，进而根据重构图像识别环境温度变化，解决了实时准确监测文物保存环境的温湿度分布情况的问题，有利于确保文物处于最佳的保存环境中。

本文提供了一种人脸图像质量判定方法、装置及计算机设备，在利用质量判定图像与同一用户的待定人脸图像的特征比对结果，得到各待定人脸图像的初始排序后，将据此从第一数量个待定人脸图像中，筛选出第二数量个人脸图像样本对，融合第三数量个用户对人脸图像样本对的质量标注结果，得到各待定人脸图像更准确的目标质量分。由此可见，本申请针对各种落地场景，结合具有不同喜好的用户对待定人脸图像的质量标注，即考虑到图像采集场景中出现的各种影响图像质量的因素，提高了据此得到的各待定人脸图像的质量分的准确性，进而提高了由此训练得到的人脸图像质量预测模型的输出准确率。

本技术提供了一种训练样本数据配比的确定方法、装置和存储介质，涉及训练样本分类配比领域。训练样本数据配比的确定方法包括:获取多个训练样本数据；对样本数据按照数据类别进行分类，生成多组类别数据，计算得到每组类别数据的第一复杂度；按照任务将训练样本进行提取，生成多组任务数据；计算得到每组任务数据的第二复杂度；根据第一复杂度、第二复杂度和计算第一复杂度所对应的类别数据的数量，确定出每个任务所需的样本数据量，从而确定出多个任务之间的数据量配比。本发明通过合理的生成训练数据的样本数据量之间的配比，让训练样本数据更加偏重复杂任务，同时避免多次重复采样产生的模型过拟和问题，有效地提升训练模型的识别精准度。

本文公开了一种胶水缺陷的确定方法、装置、设备及存储介质，涉及人工智能技术领域。所述方法包括:获取样品的第一点位图像，第一点位图像中显示有样品中的部分组件以及部分组件之间的胶水，第一点位图像是对样品的第一点位拍摄得到的图像；根据由语义分割模型提取的第一点位图像的特征信息，确定第一点位图像中胶水所在的胶水区域，特征信息是语义分割模型提取的深度学习信息；根据胶水区域的分布情况，确定样品在第一点位存在的胶水缺陷。通过特征信息确定出的胶水区域的精度更高，也更贴近实际情况。因此，依据较为真实的胶水区域的分布情况，确定出来的胶水缺陷也更加准确。

本文实施例提供一种图像处理方法、装置、计算机设备及计算机可读存储介质，可以应用于云技术、人工智能、智慧交通、车联网等各种场景；本申请实施例可以获取待处理图像，并对待处理图像进行切割，得到至少两个图像区域；对图像区域进行特征提取，得到图像区域的区域特征信息；根据区域特征信息和预设定位特征信息，获取图像区域的图像定位信息；根据区域特征信息，确定图像区域之间的区域关联信息；将图像定位信息和区域关联信息进行融合处理，得到初始融合后定位信息；根据初始融合后定位信息，识别出待处理图像中的目标图像区域；本申请实施例可以全面且精准地识别出目标对象在待处理图像中的目标对象区域。

本文公开了一种图像处理方法、装置、设备、介质及程序产品，涉及机器学习领域。该方法包括:获取第一图像对应的图像加噪结果；对所述第一图像进行语义分析，得到语义分析数据；基于所述语义分析数据对所述图像加噪结果进行图像去噪处理，得到第二图像；基于所述第一图像和所述第二图像之间的特征相似度，确定所述第一图像对应的缺陷识别结果。也即，使语义分析数据引导图像去噪，保证去噪后的第二图像中的图像的对象与第一图像中的图像对象一致，进而比较特征相似度确定缺陷识别结果，能够提高图像对象识别的准确度和识别效率。

本文实施例公开了一种图像处理方法、装置、计算机设备及存储介质，属于计算机技术领域。该方法包括:基于第一图像空间的第一尺度和第二图像空间的第二尺度，确定空间变换特征，对属于所述第一图像空间的第一图像对应的第一图像特征进行尺度上采样，得到第二图像特征；基于所述空间变换特征，对所述第二图像特征进行变换，得到第三图像特征；对所述第三图像特征进行重建，得到第二图像。本申请实施例提升了图像的清晰度。